罗福莉沉寂半年官宣小米强化学习！直播新模型训练过程，一小时烧3万美元

小米MiMo大模型负责人罗福莉在沉寂近半年后，公布小米在强化学习方向的最新进展，并直播MiMo-V2.6的Flash和Pro两款模型训练过程。直播页面公开训练成本、步数、奖励曲线及显卡故障等信息。训练约36小时，两款模型花费超108万美元，平均每小时3万美元。目前两款模型均处训练初期，RL能力已有提升：Pro的dynsam/avg@n从约0.565升至0.614，Flash从约0.514升至0.603。小米称过去半年集中研究强化学习可扩展性，沿训练计算量、环境与执行框架、评分计算量三个维度扩展。